Zastosowanie algorytmów genetycznych w rekonstrukcji obrazów z projekcji w tomografii emisyjnej metoda największej wiarygodności

• Autorzy: Smolik W.

Warianty tytułu

EN

Inżynieria biomedyczna

• Języki publikacji: PL

Abstrakty

PL

Praca opisuje zastosowanie algorytmów genetycznych w statystycznej rekonstrukcji obrazów z projekcji w tomografii emisyjnej. Celem zastosowania algorytmów genetycznych w rekonstrukcji obrazu jest osiągnięcie rozwiązania optymalnego - obrazu, który maksymalizuje funkcję wiarygodności. W pracy opracowano algorytm genetyczny dla rekonstrukcji obrazu z projekcji. Opracowany algorytm został zaimplementowany i przetestowany na danych symulowanych. Przedstawione zostały pierwsze rezultaty zastosowania tej metody rekonstrukcji.

EN

This work presents the application of genetic algorithms in image reconstruction from projections in emission tomography. The aim of genetic algorithm application in image reconstruction is to obtain the optimal solution in the statistical sense - the image that maximizes likelihood function. An elaborated genetic algorithm for image reconstruction is presented. The first results of image reconstruction from simulated data are presented and discussed.

Słowa kluczowe

PL

algorytmy; algorytmy genetyczne; rekonstrukcja obrazów; inżynieria biomedyczna; tomografia

• Wydawca: Oficyna Wydawnicza Politechniki Warszawskiej
• Czasopismo: Prace Naukowe Politechniki Warszawskiej. Elektronika
• Rocznik: 2001
• Tom: z. 130
• Strony: 91--104
• Opis fizyczny: Bibliogr. 8 poz., wykr., fot.

Twórcy

autor

Smolik W.

• Instytut Radioelektroniki Politechniki Warszawskiej

Bibliografia

• 1. Shepp L.A., Vardi Y.: Maximum-likelihood reconstruction for emission tomography. IEEE Trans. Med. Imag., Vol. MI-1, pp. 113-122, 1982.
• 2. Veklerov E., Llacer J.: Stopping rule for the MLE algorithm based on statistical hypothesis testing. IEEE Trans. Med. Imag., vol. MI-6, pp. 313-319, 1987.
• 3. German S., McClure D.: Bayesian image analysis: An application to single photon emission tomography. Proc. Amer. Statist. Assoc., Stat. Comp. Sect., pp. 12-18, 1985.
• 4. Green P.J.: Bayesian reconstruction from emission tomography data using a modified EM algorithm. IEEE Trans. Med. Imag., vol. 9, no 1, pp. 84-93, 1990.
• 5. Hudson H.M., Larkin R.S.: Accelerated image reconstruction using ordered subsets of projection data. IEEE Trans. Med. Imag., vol. 13, pp. 601-609, 1994.
• 6. Kamphuis C., Beekman F.J., Viergever M.A.: Evaluation of OS-EM vs. ML-EM for 1D, 2D and fullu 3D SPECT reconstruction. IEEE Trans. Nucl. Sci., vol. 43, no 3, pp. 2018-2024, 1996.
• 7. Golderberg D.E.: Genetic algorithms in search, optimization, and machine learning. Addison-Wesley, Inc., 1989.
• 8. Smolik W.: First results of genetic algorithm application in ML image reconstruction in emission tomography. Proceedings of the European Medical & Biological Engineering Conference, Vienna, Austria, November 1999, Medical & Biological Engineering and Computing, volume 37, Sup. 2, Part II, pp. 970-971.